西北大学团队开发GlassTENG原型，利用摩擦电传感器将眨眼、咬紧牙关和脉搏等面部动作的细微压力转化为电信号，为无电池健康监测可穿戴设备提供思路。原型在眼镜上设三个接触点，随机森林模型分类总体准确率达93.8%，静息心率测量平均绝对误差1.82次/分钟。但系统仍依赖外部供电与离线处理，完整无电池运行、连续日常监测及临床应用尚未实现，后续需集成低功耗计算并验证能量收集。
本摘要由 AI 自动生成，可能与原文存在偏差。
查看引用/信息源请点击：thebrighterside
把眨眼、咬紧牙关和脉搏带来的细微压力转化为电信号
（映维网Nweon 2026年10月20日）一种外观尽量接近普通眼镜的实验性平台，正尝试把眨眼、咬紧牙关和脉搏带来的细微压力转化为电信号。西北大学团队开发的GlassTENG利用摩擦电传感器完成了这一过程，为未来无电池健康监测可穿戴设备提供了一条研究思路。不过，团队展示的依然是原型系统，完整无电池运行和临床健康监测尚未实现。
GlassTENG基于摩擦电效应。不同材料接触和分离时会产生静电电荷，传感器利用这一原理，把面部运动引起的变化转化为电压信号。每个传感器由柔性聚合物层和薄银电极组成：面部压力使电极与含氟聚合物表面接触，压力释放后两层分离，产生可被电路测量的电压差。
研究团队通过调整材料、表面处理和佩戴位置，使传感器能够检测很小的力。测试中，与动脉搏动相当的压力产生约50至100毫伏信号；眨眼和抬眉产生约200至500毫伏信号；较强的下颌运动可达约1.5伏。
这些电压反映的是信号强弱，并不等于可供整副眼镜运行的功率。传感器产生的电流很小，需要专用读出电子设备。配套模拟读出电路在三个通道上的总功耗为4.1微瓦，每通道约1.36微瓦。该功耗数据仅指模拟前端，不包括微控制器、数据存储、无线通信和分类计算。
原型在眼镜上设置三个传感器：一个位于鼻梁附近，检测动脉搏动和上半面部运动；一个通过向下延伸的小臂接触前颞部；第三个位于镜腿更靠后位置，覆盖颞肌。镜架无需凝胶或皮肤粘合剂即可保持接触，但前颞部向下延伸的接触臂与常规眼镜仍有明显不同。
在20名参与者的测试中，10人习惯佩戴眼镜，10人不佩戴。参与者执行用力眨眼、抬眉、咬紧牙关、叩齿、进食和说话等动作，并包含无活动时段作为基线。随机森林机器学习模型在留一受试者交叉验证中取得93.8%的总体准确率。
其中，用力眨眼和叩齿的分类准确率各为99%，咬紧牙关为96%，抬眉和进食各为95%。移除任意一个传感器后，总体准确率仍在92%左右，说明各接触点之间存在一定冗余。说话识别明显更难：模型仅正确分类55%的说话样本，另有37%被误判为进食。作者认为，这与说话和进食时相似的下颌运动及肌肉激活有关。
研究人员同时指出，这些是结构化任务，并非对日常生活的连续观察。人们可能边吃边说、转动头部或同时做多个动作，后续需要更大规模研究来验证组合动作下的表现。
研究人员还在10名参与者中评估了心率测量。参与者静坐休息5分钟，佩戴Polar H10胸带作为参考。分析为每人选择最佳传感器通道，并以30秒窗口计算心率。结果显示，眼镜测量的平均绝对误差为1.82次/分钟，平均偏差为0.20次/分钟，95%一致性界限为−5.17至5.58次/分钟。
这一结果支持在测试条件下进行静息脉搏追踪的可行性，但并未证明运动、交谈或日常活动中的同等性能，也未验证血压测量或心血管疾病诊断。
团队的验证系统使用ESP32-C6模块，以每秒100个采样率将信号记录到microSD卡，分类在离线状态下完成。因此，研究没有展示一副能够持续传输蓝牙数据或发出智能警报的自维持眼镜。用户研究还使用了临时电路板电子设备，更紧凑的电路板当时仍在制造中。
在用户接受度方面，习惯佩戴眼镜者对未来日常使用可能性的评分为5.4分（满分7分），非佩戴者为3.5分。关于重量的五条投诉中，有四条来自非佩戴者。研究团队认为，对眼镜的熟悉程度可能影响接受度，最终产品设计同样重要。
未来工作包括集成更低功耗的计算、验证能量收集和简化镜架。潜在应用包括研究磨牙、进食行为和心血管信号，但这些应用仍需更广泛的验证。